Des chercheurs du département d’informatique de l’Université Rice ont découvert un biais dans les outils d’apprentissage automatique couramment utilisés pour la recherche en immunothérapie. L’équipe, composée des doctorants Anja Conev, Romanos Fasoulis et Sarah Hall-Swan, ainsi que des membres du corps professoral en informatique Rodrigo Ferreira et Lydia Kavraki, a analysé des données publiquement disponibles relatives à la prédiction de liaison peptide-HLA (pHLA) et a identifié un biais géographique favorisant les communautés à revenu plus élevé. Ce biais pourrait avoir des implications significatives pour le développement de thérapies immunologiques efficaces.
La recherche en immunothérapie se concentre sur l’identification de peptides pouvant se lier efficacement aux allèles HLA spécifiques du patient afin de créer des thérapies personnalisées et hautement ciblées. Les outils d’apprentissage automatique sont utilisés pour prédire l’efficacité de la liaison des peptides aux allèles HLA, simplifiant ainsi le processus. Cependant, les chercheurs de l’Université Rice ont découvert que les données utilisées pour entraîner ces modèles d’apprentissage automatique sont biaisées en faveur des communautés à revenu plus élevé. Cela soulève des inquiétudes concernant l’efficacité des immunothérapies dans les populations à revenu plus faible, car les données génétiques de ces communautés ne sont pas adéquatement représentées.
Pour résoudre ce problème, l’équipe de l’Université Rice remet en question le concept de prédicteurs d’apprentissage automatique « pan-allèles » actuellement utilisés pour la prédiction de liaison pHLA. Ces modèles prétendent pouvoir se généraliser à des données d’allèles non présentes dans l’ensemble de données d’entraînement. Cependant, les résultats des chercheurs mettent en évidence les limites de telles prédictions lorsqu’il s’agit de données provenant de populations à revenu plus faible.
En mettant en lumière le biais dans les modèles d’apprentissage automatique utilisés pour la recherche en immunothérapie, l’équipe vise à promouvoir le développement de méthodes véritablement impartiales et équitables pour prédire la liaison pHLA. Ils soulignent la nécessité de prendre en compte les données dans un contexte social et de reconnaître les facteurs historiques et économiques susceptibles d’impact sur la représentation de différentes populations dans les ensembles de données.
En fin de compte, l’objectif est de garantir que les outils utilisés dans les environnements cliniques, tels que ceux pour les immunothérapies personnalisées, soient précis et inclusifs des différents groupes démographiques. La recherche menée par l’équipe de l’Université Rice sert de rappel à la communauté scientifique des défis liés à l’obtention de données impartiales et de l’importance de traiter les biais dans l’apprentissage automatique.
The source of the article is from the blog combopop.com.br